相关实验视频
Updated: May 17, 2025
08:16
Comparative Lesions Analysis Through a Targeted Sequencing Approach
Published on: November 5, 2019
6.7K
弥合计算病理学的领域差距:对适应策略的比较研究
João D Nunes1,2, Diana Montezuma3,4, Domingos Oliveira3
1Institute for Systems and Computer Engineering, Technology and Science, 4200-465 Porto, Portugal.
Sensors (Basel, Switzerland)
|May 14, 2025
概括
在计算病理学 (CPath) 中的域适应 (DA) 面临着挑战,原因是血素和乙素 (H&E) 染色全片图像 (WSIs) 的数据变化. 评估FixMatch,CycleGAN和自我监督方法表明,DA仍然很难将深度学习模型概括.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 机器学习在医学中的应用
背景情况:
- 计算病理学 (CPath) 中的深度学习 (DL) 难以对新数据进行概括,原因是血素和乙素 (H&E) 染色全片图像 (WSIs) 的高变化,包括隐藏的分层和批量效应.
- 域调整 (DA) 对于在源数据上训练的DL模型应用至关重要,以针对注释有限或不存在的域,这是CPath中常见的场景.
研究的目的:
- 评估不同域适应策略的有效性,以将CPath中的DL模型从单个源到目标域进行概括.
- 评估FixMatch,CycleGAN和自我监督的特征提取的适用性,以解决H&E染色的WSIs中的DA挑战.
主要方法:
- 研究了三种不同的域适应技术:FixMatch (一种半监督学习方法),CycleGAN (图像对图像翻译的生成对抗网络) 和一个自我监督的特征提取器.
- 专注于从单一源数据分布推广到CPath域内的目标数据分布的具体任务.
主要成果:
- 该研究表明,将深度学习模型推广到CPath中的培训分布之外仍然是一个重大挑战,即使使用了既定的DA策略.
- 绩效指标表明,没有一个被评估的DA方法能够始终克服WSI变化和域移动所带来的固有困难.
结论:
- 目前的域名适应策略,包括FixMatch,CycleGAN和自我监督学习,尚未完全针对计算病理学的复杂性进行优化.
- 需要进一步的研究来开发更强大的DA技术,以适应H&E染色WSIs的独特特征,以改善CPath中的模型概括性.
